Создание ТЗ по развитию образовательной платформы и прототипа для проверки гипотез о возможностях предиктивной аналитики в обучении

Необходимо разработать прототип применения Learning Analytics Platform (LAP) с AI-ядром для анализа данных по повышению квалификации сотрудников, прошедших обучение на платформе Корпоративного университета «Газпром нефти», и перехода на уровень применения предиктивной аналитики. Вам также предстоит разработать техническое задание с рекомендациями по дальнейшему развитию внутренней образовательной платформы и сбору данных о результатах обучения

Необходимо разработать прототип применения Learning Analytics Platform (LAP) с AI-ядром для анализа данных по повышению квалификации сотрудников, прошедших обучение на платформе Корпоративного университета «Газпром нефти», и перехода на уровень применения предиктивной аналитики. Вам также предстоит разработать техническое задание с рекомендациями по дальнейшему развитию внутренней образовательной платформы и сбору данных о результатах обучения

Уже сейчас платформа Корпоративного университета накапливает большое количество статистических данных об обучении сотрудников компании. Скоро объем этих данных значительно вырастет, так как в компании планируют внедрить систему сбора информации о пользователях из разных каналов обучения (мобильный телефон, планшет, очные занятия и т. п). Кроме того, на платформе увеличится количество образовательного контента: уже сейчас оно исчисляется тысячами, а при интеграции с внешними ресурсами можно будет говорить о миллионах единиц контента. Все это создает сложности и для обучающихся, и для организаторов обучения. Обучающимся все сложнее ориентироваться в огромном объеме контента и вариантах обучения и развития, а организаторам обучения все труднее отслеживать качество и актуальность контента и организовывать оптимальный процесс развития сотрудников. Решить эту проблему можно через использование AI для аналитики учебной статистики и построения рекомендательных систем

Уже сейчас платформа Корпоративного университета накапливает большое количество статистических данных об обучении сотрудников компании. Скоро объем этих данных значительно вырастет, так как в компании планируют внедрить систему сбора информации о пользователях из разных каналов обучения (мобильный телефон, планшет, очные занятия и т. п). Кроме того, на платформе увеличится количество образовательного контента: уже сейчас оно исчисляется тысячами, а при интеграции с внешними ресурсами можно будет говорить о миллионах единиц контента. Все это создает сложности и для обучающихся, и для организаторов обучения. Обучающимся все сложнее ориентироваться в огромном объеме контента и вариантах обучения и развития, а организаторам обучения все труднее отслеживать качество и актуальность контента и организовывать оптимальный процесс развития сотрудников. Решить эту проблему можно через использование AI для аналитики учебной статистики и построения рекомендательных систем

Вам предстоит создать техническое задание (ТЗ) на развитие текущей системы обучения Корпоративного университета «Газпром нефти» (на базе WebTutor 3.4) и разработать прототип применения Learning Analytics Platform (LAP) с AI-ядром для перехода на уровень применения предиктивной аналитики на базе данных об обучении и развитии сотрудников В данном проекте под Learning Analytics Platform (LAP) понимается совокупность данных LRS и аналитических систем обработки и представления данных. LAP объединяет данные обо всех образовательных активностях в организации и применяет методы расширенной аналитики для получения глубокого понимания образовательного процесса внутри компании, а также того, как это обучение влияет на весь бизнес в целом. Learning Record Store (LRS) — система для сохранения данных о пользователе из разных сред обучения (LMS, мобильный телефон, планшет, живой класс) В ходе работы над проектом вам предстоит: 1. Проанализировать описания компетенций и обезличенные данные по результатам обучения сотрудников: а) результаты оценки профессиональных технических компетенций с 2016 года б) информацию об обучении сотрудников с 2016 года в) информацию о прочитанных в библиотеке материалах 2. Оценить, достаточно ли имеющихся данных для запуска машинного обучения 3. Использовать синтетические (случайно сгенерированные) данные, если будет недостаточно данных для запуска машинного обучения 4. Предложить и согласовать с Заказчиком алгоритм машинного обучения 5. Провести обучение нейронной сети 6. Разработать прототип для анализа накопленных данных в виде дашбордов, реализованных на веб-интерфейсе и позволяющих Заказчику проверить свои гипотезы 7. Предложить структурированное техническое задание по дальнейшему развитию внутренней образовательной платформы и сбору данных по результатам обучения

Вам предстоит создать техническое задание (ТЗ) на развитие текущей системы обучения Корпоративного университета «Газпром нефти» (на базе WebTutor 3.4) и разработать прототип применения Learning Analytics Platform (LAP) с AI-ядром для перехода на уровень применения предиктивной аналитики на базе данных об обучении и развитии сотрудников В данном проекте под Learning Analytics Platform (LAP) понимается совокупность данных LRS и аналитических систем обработки и представления данных. LAP объединяет данные обо всех образовательных активностях в организации и применяет методы расширенной аналитики для получения глубокого понимания образовательного процесса внутри компании, а также того, как это обучение влияет на весь бизнес в целом. Learning Record Store (LRS) — система для сохранения данных о пользователе из разных сред обучения (LMS, мобильный телефон, планшет, живой класс) В ходе работы над проектом вам предстоит: 1. Проанализировать описания компетенций и обезличенные данные по результатам обучения сотрудников: а) результаты оценки профессиональных технических компетенций с 2016 года б) информацию об обучении сотрудников с 2016 года в) информацию о прочитанных в библиотеке материалах 2. Оценить, достаточно ли имеющихся данных для запуска машинного обучения 3. Использовать синтетические (случайно сгенерированные) данные, если будет недостаточно данных для запуска машинного обучения 4. Предложить и согласовать с Заказчиком алгоритм машинного обучения 5. Провести обучение нейронной сети 6. Разработать прототип для анализа накопленных данных в виде дашбордов, реализованных на веб-интерфейсе и позволяющих Заказчику проверить свои гипотезы 7. Предложить структурированное техническое задание по дальнейшему развитию внутренней образовательной платформы и сбору данных по результатам обучения

Результаты подготовительного этапа: готовые данные, необходимые для запуска машинного обучения, утвержденный у Заказчика алгоритм машинного обучения, обученная на предоставленных данных нейронная сеть. Результаты основного этапа: 1. Разработан прототип применения Learning Analytics Platform (LAP) с AI-ядром для перехода на уровень применения предиктивной аналитики на базе данных об обучении и развитии сотрудников. Прототип работает на предоставленных исполнителю обезличенных данных со статистикой обучения сотрудников и позволяет подтверждать гипотезы применения AI/ML для перехода к предиктивной аналитике. Прототип позволяет проверить гипотезы по следующим областям: а) оценка качества обучения б) система рекомендательного обучения сотрудников и построения индивидуальных траекторий развития в) система рекомендаций для организаторов обучения г) создание аналитических основ для улучшения контента д) верификация результатов тестов, экзаменов 2. Отчет, содержащий описание всех выбранных алгоритмов и методов работы нейронной сети 3. Структурированное техническое задание по развитию текущей системы обучения Корпоративного университета «Газпром нефти» (на базе WebTutor 3.4). В результате преобразований в платформу должны быть встроены LAP и AI-ядро и осуществлен переход к предиктивной аналитике, созданию рекомендательных систем и персонализации обучения

Результаты подготовительного этапа: готовые данные, необходимые для запуска машинного обучения, утвержденный у Заказчика алгоритм машинного обучения, обученная на предоставленных данных нейронная сеть. Результаты основного этапа: 1. Разработан прототип применения Learning Analytics Platform (LAP) с AI-ядром для перехода на уровень применения предиктивной аналитики на базе данных об обучении и развитии сотрудников. Прототип работает на предоставленных исполнителю обезличенных данных со статистикой обучения сотрудников и позволяет подтверждать гипотезы применения AI/ML для перехода к предиктивной аналитике. Прототип позволяет проверить гипотезы по следующим областям: а) оценка качества обучения б) система рекомендательного обучения сотрудников и построения индивидуальных траекторий развития в) система рекомендаций для организаторов обучения г) создание аналитических основ для улучшения контента д) верификация результатов тестов, экзаменов 2. Отчет, содержащий описание всех выбранных алгоритмов и методов работы нейронной сети 3. Структурированное техническое задание по развитию текущей системы обучения Корпоративного университета «Газпром нефти» (на базе WebTutor 3.4). В результате преобразований в платформу должны быть встроены LAP и AI-ядро и осуществлен переход к предиктивной аналитике, созданию рекомендательных систем и персонализации обучения

Задача считается выполненной качественно, если: 1. Отчет содержит описание всех алгоритмов и методов работы нейронной сети 2. Разработанный прототип наглядно отображает результаты анализа данных в виде дашбордов и позволяет Заказчику подтвердить или опровергнуть гипотезы минимум в 3 из 5 ключевых областей 3. Каждая область раскрыта в нескольких (количество будет уточнено в ходе проекта) графических и цифровых представлениях 4. Техническое задание выполнено в соответствии с предоставленным Заказчиком шаблоном (шаблон ДЦТ/ДИТАТ) 5. Техническое задание описано достаточно четко и подробно, чтобы передать его сторонним разработчикам без дополнительных пояснений (соответствие этому критерию определяется экспертами со стороны Заказчика)

Задача считается выполненной качественно, если: 1. Отчет содержит описание всех алгоритмов и методов работы нейронной сети 2. Разработанный прототип наглядно отображает результаты анализа данных в виде дашбордов и позволяет Заказчику подтвердить или опровергнуть гипотезы минимум в 3 из 5 ключевых областей 3. Каждая область раскрыта в нескольких (количество будет уточнено в ходе проекта) графических и цифровых представлениях 4. Техническое задание выполнено в соответствии с предоставленным Заказчиком шаблоном (шаблон ДЦТ/ДИТАТ) 5. Техническое задание описано достаточно четко и подробно, чтобы передать его сторонним разработчикам без дополнительных пояснений (соответствие этому критерию определяется экспертами со стороны Заказчика)

Прототип анализа данных с дашбордами предоставлен в веб-интерфейсе. Техническое задание и отчет по работе алгоритмов представлены в формате MS Word

Прототип анализа данных с дашбордами предоставлен в веб-интерфейсе. Техническое задание и отчет по работе алгоритмов представлены в формате MS Word

Да, проект рассчитан на выполнение командой специалистов. Вам, как руководителю проекта, предстоит собрать команду самостоятельно (в нее могут входить такие специалисты, как: аналитик данных, веб-разработчик и т.п.).

Да, проект рассчитан на выполнение командой специалистов. Вам, как руководителю проекта, предстоит собрать команду самостоятельно (в нее могут входить такие специалисты, как: аналитик данных, веб-разработчик и т.п.).